CPU和GPU实现julia

CPU和GPU实现julia

 

        主要目的是通过对比，学习研究如何编写CUDA程序。julia的算法还是有一定难度的，但不是重点。由于GPU实现了也是做图像识别程序，所以缺省的就是和OPENCV结合起来。

一、CPU实现(julia_cpu.cpp)

        //julia_cpu 采用cpu实现julia变换

# include  "stdafx.h"
# include  <iostream >
# include  "opencv2/core/core.hpp"
# include  "opencv2/highgui/highgui.hpp"
# include  "opencv2/imgproc/imgproc.hpp"
using  namespace std;
using  namespace cv;
# define DIM  512
struct cuComplex 
{
     float r;
     float i;
    cuComplex( float a, float b) :r(a),i(b){}
     float magnitude2( void){ return r *r +i *i;}
    cuComplex  operator *( const cuComplex & a)
    {
         return cuComplex(r *a.r -i *a.i,i *a.r +r *a.i);
    }
    cuComplex  operator +( const cuComplex & a)
    {
         return cuComplex(r +a.r,i +a.i);
    }
};
int julia( int x, int y)
{
     const  float scale  =  1. 5;
     float jx  = scale *( float)(DIM / 2  - x) /(DIM / 2);
     float jy  = scale *( float)(DIM / 2  - y) /(DIM / 2);
    
    cuComplex c( - 0. 8, 0. 156);
    cuComplex a(jx,jy);
     for ( int i = 0;i < 200;i ++)
    {
        a =a *a  +c;
         if (a.magnitude2() > 1000)
        {
             return  0;
        }
    }
     return  1;
}
int _tmain( int argc, _TCHAR * argv[])
{    
    
    Mat src  = Mat(DIM,DIM,CV_8UC3); //创建画布
     for ( int x = 0;x <src.rows;x ++)
    {
         for ( int y = 0;y <src.cols;y ++)
        {   
             for ( int c = 0;c < 3;c ++)
            {
                src.at <Vec3b >(x,y)[c] =julia(x,y) * 255;
            }
            
        }
    }
    imshow( "src",src);
    waitKey();
     return  0;
}

 

 

这里的实现，主要是说明julia的算法，它本身是一个递归的，而且具有一定计算复杂度的算法。

二、GPU实现

        为了能够深刻理解这里的技术，我做了一系列的实验。需要注意的是GPU编译非常慢，不知道有什么办法能够加快这个速度。

此外，比较麻烦的就是矩阵的读入读出，因为现在的资料缺乏，所以很多东西还搞不清楚。

        1）C UDA和OPENCV联系起来；（test1.cu)

        CUDA主要还是来做数学运算的，它本身和OPENCV没有必然的联系。一般来说，计算本身在CUDA中，而OPENCV编写相关转换，进行结果显示。这里实现的功能就是读入一幅单色图像，所有像素进行反转。

        编写代码的话，还是基于现有的模板，进行参数的调整，这样来得最快；基于现有的数据不断地调整，这样也能够控制错误。

        注意，CUDA核中，不能用任何OPENCV的函数。目前我只能实现这样的效果，因为多数组如何引入，必须要查更多的资料。

主要就是数组的操作，现在只能做单数组，一旦多维就溢出。

//1）CUDA和OPENCV联系起来；（test1.cu)
# include  "stdafx.h"
# include  <iostream >
# include  "opencv2/core/core.hpp"
# include  "opencv2/highgui/highgui.hpp"
# include  "opencv2/imgproc/imgproc.hpp"
# include  <stdio.h >
# include  <assert.h >
# include  <cuda_runtime.h >
# include  <helper_functions.h >
# include  <helper_cuda.h >
using  namespace std;
using  namespace cv;
# define N  250
//test1的kernel
__global__  void test1kernel( int  *t)
{
     int x  = blockIdx.x;
     int y  = blockIdx.y;
     int offset  = x +y *gridDim.x; 
    t[offset]  = 255 -t[offset];
 
}
int main( void)
{    
     //step0.数据和内存初始化
    Mat src  = imread( "opencv-logo.png", 0);
    resize(src,src,Size(N,N));
     int  *dev_t;
     int t[N *N];
    Mat dst  = Mat(N,N,CV_8UC3);
     for ( int i = 0;i <N *N;i ++)
    {
        t[i]   =( int)src.at < char >(i /N,i %N);
    }
    checkCudaErrors(cudaMalloc(( void  * *) &dev_t,  sizeof( int) *N *N));
     //step1.由cpu向gpu中导入数据
    checkCudaErrors(cudaMemcpy(dev_t, t, sizeof( int) *N *N, cudaMemcpyHostToDevice));
     //step2.gpu运算
    dim3 grid(N,N);
    test1kernel << <grid, 1 >> >(dev_t);
     //step3.由gpu向cpu中传输数据
    checkCudaErrors(cudaMemcpy(t, dev_t, sizeof( int) *N *N, cudaMemcpyDeviceToHost));
     //step4.显示结果
     for ( int i = 0;i <N;i ++)
    {
         for ( int j = 0;j <N;j ++)
        {
              int offset  = i *N +j;
              for ( int c = 0;c < 3;c ++)
             {
                 dst.at <Vec3b >(i,j)[c]  =t[offset];
             }
        }
    }
     //step5，释放资源
    checkCudaErrors(cudaFree(dev_t));
    imshow( "dst",dst);
    waitKey();
     return  0;
}

 

        2）CUDA计算斐波那契数，思考CNN的实现；

        CUDA是否适合 斐波那契，像julia这样的，每一个点都是独立的，它很适合；如果能够分出一些块来，应该也是适合的因此，单个的 斐波那契运算不适合，但是做到一个数组中，并且以并行化的想法来运算，还是有一定价值的。

        结果报不支持递归，那么在以后运算设计的时候要注意这一点。并行设计从来都不是一个简单的问题，必然有很陡峭的学习曲线，需要分丰富的经验，也有很远大的市场。

       

       但是，CNN的确算的上是一个典型的实现了，它不需要串行的运算，而是在大量的并行的结果之后，选择一个最好的参数，所以CNN可以作为图像领域和CUDA结合的一个典型实现。

       3）CUDA实现julia。

       在前面的基础上，非常顺利

//3）julia
# include  "stdafx.h"
# include  <iostream >
# include  "opencv2/core/core.hpp"
# include  "opencv2/highgui/highgui.hpp"
# include  "opencv2/imgproc/imgproc.hpp"
# include  <stdio.h >
# include  <assert.h >
# include  <cuda_runtime.h >
# include  <helper_functions.h >
# include  <helper_cuda.h >
using  namespace std;
using  namespace cv;
# define N  250
struct cuComplex
{
     float r;
     float i;
    __device__ cuComplex( float a, float b) : r(a),i(b){}
    __device__  float magnitude2( void)
    {
         return r *r +i *i;
    }
    __device__ cuComplex  operator *( const cuComplex & a)
    {
         return cuComplex(r *a.r  - i *a.i,i *a.r  + r *a.i);
    }
    __device__ cuComplex  operator +( const cuComplex & a)
    {
         return cuComplex(r +a.r,i +a.i);
    }
};
__device__  int julia( int x, int y)
{
     const  float scale  =  1. 5;
     float jx  = scale *( float)(N / 2  - x) /(N / 2);
     float jy  = scale *( float)(N / 2  - y) /(N / 2);
    cuComplex c( - 0. 8, 0. 156);
    cuComplex a(jx,jy);
     for ( int i = 0;i < 200;i ++)
    {
        a =a *a  +c;
         if (a.magnitude2() > 1000)
        {
             return  0;
        }
    }
     return  1;
}
__device__  int fblx( int offset)
{
     if (offset  == 0  || offset == 1)
    {
         return offset;
    }
     else
    {
         return(fblx(offset  -  1) +fblx(offset  -  2));
    }
}
//test3的kernel
__global__  void juliakernel( int  *t)
{
     int x  = blockIdx.x;
     int y  = blockIdx.y;
     int offset  = x +y *gridDim.x;
     int juliaValue  = julia(x,y);
    t[offset]  =juliaValue * 255;
}
int main( void)
{    
     //step0.数据和内存初始化
     int  *dev_t;
     int t[N *N];
    Mat dst  = Mat(N,N,CV_8UC3);
     for ( int i = 0;i <N *N;i ++)
    {
        t[i]   = 0;
    }
    checkCudaErrors(cudaMalloc(( void  * *) &dev_t,  sizeof( int) *N *N));
     //step1.由cpu向gpu中导入数据
    checkCudaErrors(cudaMemcpy(dev_t, t, sizeof( int) *N *N, cudaMemcpyHostToDevice));
     //step2.gpu运算
    dim3 grid(N,N);
    juliakernel << <grid, 1 >> >(dev_t);
     //step3.由gpu向cpu中传输数据
    checkCudaErrors(cudaMemcpy(t, dev_t, sizeof( int) *N *N, cudaMemcpyDeviceToHost));
     //step4.显示结果
     for ( int i = 0;i <N;i ++)
    {
         for ( int j = 0;j <N;j ++)
        {
              int offset  = i *N +j;
             printf( "%d is %d",offset,t[offset]);
              for ( int c = 0;c < 3;c ++)
             {
                  dst.at <Vec3b >(i,j)[c]  =t[offset];
             }
        }
    }
     //step5，释放资源
    checkCudaErrors(cudaFree(dev_t));
    imshow( "dst",dst);
    waitKey();
     return  0;
}

 

 

三、小结

        CUDA编程是一个新的领域，虽然文档中都说不复杂、不复杂的，但是想要大规模应用不可能不复杂。所以先基于现有的例子，将能够跑起来的东西跑起来。然后思考融合，形成自己的东西，这就是生产率。我相信，不需要很多的时间，我就能够使用CUDA的计算功能去接触并解决一些以前无法去做的东西。

        祝成功，愿回顾。

来自为知笔记(Wiz)